[发明专利]基于密度可达测度的半监督谱聚类SAR图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割，是SAR图像理解与解译的关键技术之一，可用于SAR图像的预处理。

背景技术

SAR图像分割是SAR图像处理过程中的一个重要步骤。SAR图像分割的目的是将SAR图像中包含的不同的地物根据图像像素点之间的关系聚成不同的类。谱聚类是近年来新兴的一个聚类方法，该算法的思想源于谱图划分理论，被看作是一个无向图的多路划分问题。谱聚类优于传统的聚类算法原因在于其不受样本空间形状限制且收敛于全局最优解，因此，谱聚类算法在图像分割领域得到了广泛应用。

近年来提出的半监督谱聚类算法是在谱聚类算法的基础上加入人工标记的类标签来改良聚类结果的一种方法。这种类标签以先验信息的形式出现，一般地，通过修正亲和度矩阵来加入先验信息。类标签的个数很重要，太少不足以达到理想的聚类结果，太多又会给计算和存储带来过大负担，因此，加入多少类标签需要在实际中权衡。

2001年，B.Fischer等人提出一种新颖的基于整体一致性原则的聚类算法，参见B.Fischer，T.J.M.Buhmann，《Path Based Pairwise Data Clustering with Application to Texture Segmentation》，Proceedings of the Third International Workshop on Energy Minimization Methods in Computer Vision and Pattern Recognition。上述方法考虑了数据间的连通性，认为数据间可建立连通路径，并且如果连接两个端点的连通路径上存在两两距离非常近的另外两个数据点，则认为对应的两个端点满足整体一致性。这种基于路径的方法能很好地处理图中不相交的流形状数据，但仍然对噪声相当敏感。

2005年，S.Zhou等人引入“邻域密度因子”用以衡量数据点x的密度，进而提出密度聚类算法(Neighborhood based Clustering，NBC)算法。参见S.Zhou，Y.Zhao，J.Guan，and J.Huang，《A Neighborhood-Based Clustering Algorithm》.Proc.of PAKDD。但是，这些算法对流形状数据的区分能力却比较差。

2006年，E.Sharon等人提出一种包含了符合“整体一致性”原则的“类的密度连通性”思想的算法，参见E.Sharon，M.Galun，D.Sharon，R.Basri，and A.Brandt，《Hierarchy and adaptivity in segmenting visual scenes》。相比基于距离的“整体一致性”，该方法基于密度的思想更符合数据集“自然分组”的假设。因此，不受限于某个标准的全局优化函数，也存在一些问题，如参数难以确定、不能同时发现数据集内密度分布不均的聚类等。

以上提到的谱聚类方法存在以下不足：1.易受噪声影响而导致聚类误差；2.对大数据结果欠佳或者失效；3.参数难以确定；4.不能同时发现数据集内密度分布不均的聚类。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于密度可达测度的半监督谱聚类SAR图像分割方法，以减小噪声对分割的影响，在无需人工设定阈值的条件下准确构造相似度矩阵，准确分割，减小分割误差，提高分割效果。

为实现上述目的，本发明包括如下步骤：

(1)输入待分割SAR图像，图像中所有像素点构成数据集X，X＝{x₁,x₂，...，x_n}∈R^d，x_i表示数据集中的任意点，i∈[1，...，n]，n为数据个数，d表示数据维数；

(2)求取两点x_i与x_j之间的密度可达关系，如果两个点x_i与x_j之间能通过一系列直接密度可达点集相连，则称点x_i与x_j是密度可达的；

(3)通过数据点之间的密度可达关系，构造出基于密度可达区域半径的相似度矩阵A